找不出破绽！斯坦福等新研究：随意输入文本，改变视频人物对白，逼真到让作者害怕

本文由 量子位 授权转载，禁止二次转载

细思极恐的事情还是来了。

斯坦福和普林斯顿大学等最新研究：给定任意文本，就能随意改变一段视频里人物说的话。

并且，改动关键词后人物口型还能对得奇准无比，丝毫看不出篡改的痕迹，就像下面这样：

苹果今日收盘价191块4，改成182块2你也看不出来。

让新垣结衣向你表白，让石原里美大声喊出你的名字，甚至随便根据某个人的视频伪造个人陈述……现在都不在话下。

手握这项技术，在视频中让你怎么说你就怎么说，让你说什么你就得说什么，谁也看不出来这是假的。

有视频有真相？现在已经彻底过去了。

可能因为技术过于强大真是，研究人员还在项目主页上特意声明，这项技术一旦被滥用会造成可怕的后果，公布技术只是用于向公众科普，还呼吁相关部门建立相关法律……

这项研究的论文中选了计算机图形学顶会SIGGRAPH 2019。

来看全部效果展示↓↓↓

天衣无缝P视频

这个技术可以完成对视频多种类型的篡改。

功能1：改变人物台词

改变视频里的关键词，用假信息替换真内容，后果不要太可怕。

开头展示的视频就是改动后的效果。

功能2：改变人物嗓音

就算用合成的嗓音改造视频主角，也可以把人物口型调的宛如原生。

功能3：随意删除信息

即使你删掉视频中的部分关键词，也可以保持语音和图像的连贯。

有些话你说了么？你觉得说了，但看起来就是没说~

功能4：合进视频背景

AI将视频里人物的内容补充进完整视频：

功能5：连贯视频

此外，这项技术还能把磕磕巴巴的演讲/对话等视频，拆开后重新拼接，变成流畅画面。

结巴的救星、镜头恐惧患者的福音就是它了。

研究人员进行了不同维度的测评，发现这项技术的效果在同类产品中领先了不少。

将此方法与深度视频人像（Deep Video Portraits，DVP）方法输出的人物渲染图像相比，新技术终于看起来不那么诡异了。

比如牙齿的合成效果：

比如衣服细节的合成效果：

与传统删除视频场景的MorphCut技术对比，MorphCut在第2、3、4帧的场景删除任务中失败了，而新技术可以成功切除：

与Face2Face的面部改造技术相比，新技术避免了画面中出现的“鬼影”，合成画面也更加高清、稳定。

最后，研究人员还邀请了138位志愿者，来评估这种方法的真实性如何。

这些志愿者去判别“这个视频是不是真实”，如果同意真实则给5分，完全确信是假的就给1分，结果显示，这项技术在很多时候，已经让丧失了对视频真假的准确判断。

AI对口型

自动合成某个人的语音，已经有许多算法可以做到。这里，团队使用了原本视频主角的录音，而在不需要原声的部分，用了Mac自带的语音合成工具。暂不赘述。

这项研究最闪亮的部分，是流畅自然的“对口型”。

左手拿着视频，右手拿着文本，团队使用了五步法：

第一步：视频和文本要对齐

这里需要的是非常细致的对齐，精确到音位 (Phoneme) 。

音位是什么？那是人类语言里能够区分语义的最小声音单位，分成元音和辅音。

找到特定的元音辅音，就能组成你要的单词，或者句子。

每种音位，又有各自对应的口型。所以在对口型任务里，视频和文本之间的精准对齐很有必要。

团队用的对齐工具叫P2FA：除了分辨出各种音位，还会把每个音位开始和停止的时间标记出来。

当然，如果手头数据只有视频没有文本的话，也可以用自动语音转录工具来生成文本，这类应用已经很常见了。

第二步：3D人脸追踪和重构

要为视频的每一帧，注册一个3D参数人脸模型 (3D Parametric Face Model) 。

模型里的各种参数，会在后面的步骤中混合 (Blending) ，发生奇妙的反应：

比如，用某一帧的面部表情，搭配另一帧的头部姿势/朝向，组成新的一帧。

为了获得3D参数模型，团队从前辈的研究里借鉴了单目的、基于模型的人脸重构算法 (Monocular Model-Based Face Reconstruction) 。

这类算法，可以把头部姿势参数化，把脸部几何参数化，还有脸部的反射率、表情，以及场景中的光线，都可以参数化。

于是，视频的每一帧都获得了257个参数的向量。

第三步：唇形搜索

刚才的精细对齐，现在派上用场了。

就像上文提到的，每种音位对应了各自的唇形。但不同音位也可以有相似的唇形，可以通用。

比如，想把蜘蛛 (Spider) 改成狐狸 (Fox) ，原本需要“f”的唇形和“ox”的唇形。

不过，“v”和“f”从视觉上看并没有太大差别。如果，视频里讲过毒蛇 (Viper) ，只要把“v”的唇形提取出来，和“ox”的唇形拼到一起，也能组成“fox”的动作。

根据文本，可以从视频里面，把需要拼接的片段，从视频里面抽出来。

第四步：重新定时，参数混合

可四下提取出来的片段，还不能直接拼到一起。有两个重要的问题需要解决：

一是，音位视频里提取的音位，可能动作满足要求，但时长就不一定跟新台词吻合了。

二是，两个需要连在一起的片段，可能在原始视频里相距很远，说话人头部的位置、姿势都会发生变化，直接拼起来就会不连贯了 (下图右) 。

想生成连贯自然的视频，前面做好的3D人脸参数模型，就是这里的大招：

把头部姿势、面部表情、反射率、场景光线等等参数，都放在一个参数空间里面去混合 (Blend) 。

这个过程，包括给各个片段重新设定时长，也包括把头部动作变连贯。

除此之外，为了避免摄像头移位带来的背景变化，还需要选择一个背景序列。

这样，一个流畅的背景视频就做好了。

之所以叫“背景视频”，是因为在这个步骤里，嘴部动作被提前抠掉了，所以还有下一步。

第五步，脸部渲染

最后一步，训练一个循环网络 (RNN) 作为GAN的生成器，加上一个时间空间判别器：

让GAN把嘴部动作 (下半张脸) 和背景视频，无缝混合到一起。

到这里，跟着新台词对口型的视频，就愉快地生成了。

作者介绍

这篇研究的作者共有10人，都带着闪闪发光的履历。

他们来自较为知名的机构，包括斯坦福大学的Ohad Fried、Michael Zollhöfer、Maneesh Agrawala，普林斯顿大学的dam Finkelstein、Kyle Genova，马克斯·普朗克信息学研究所的Ayush Tewari、 Christian Theobalt和Adobe的Eli Shechtman、Zeyu Jin，此外还有DAN B GOLDMAN。

一作Ohad Fried为现在为斯坦福大学的博士后，与印度裔教授Maneesh Agrawala合作，主要研究计算机图形学、计算机视觉和人机交互。

Fried小哥本科和研究生毕业于希伯来大学，博士去普林斯顿进行深造，随后在谷歌、Adobe等实习过。

二作Ayush Tewari目前是马克斯·普朗克信息学研究所博士三年级在读，此前有多篇论文被顶会收录，包括一篇ECCV 18、两篇CVPR 18和一篇ICCV 17。

作者团队中还有一位华裔成员，是来自Adobe的研究科学家ZEYU JIN。

ZEYU JIN的个人主页显示， ZEYU主要研究方向是语音和音乐合成，视频中用到的音频处理软件Adobe Project VoCo就是ZEYU主导的项目。

技术“太吓人”

最后，在这个项目的主页地址，里面还有研究人员的专门声明：

这个基于文本的视频编辑方法，为更好的电影后期编辑打下了基础。 原本，电影里的对话要重新定时或者修改，需要繁琐的手动工作。但现在AI可以依靠文本，更好地调整视频里的图像和音频。 除了影视作品，技术也可以用于教学视频，或者给儿童讲故事的应用。 但这种技术，也有被滥用的隐患。行为不良的人可能用这样的方法来来伪造个人陈述，诽谤知名人士。 所以，视频中要有明显证据表明它是合成的，这一点至关重要。比如在视频里直接陈述，或者加入水印标明这一点。 并且，技术社区应该继续发开发识别假视频的技术，在减少滥用的同时，为有创造性的合法使用提供空间。 最后，我们认为有必要进行强有力的公开讨论，建立适当的法规，平衡这类工具的滥用风险与创造力的重要性。

他们强调，这项技术一旦被滥用会造成可怕的后果。

到底多可怕？不光颠覆一行一业，也对现有的伦理和法律提出新挑战，随便举几例：

在deepfake刚刚兴起的时候，就有不少人评论称，娱乐行业，靠脸吃饭的流量小生，使用好这项技术，结合换脸AI deepfake和语音合成，真的就能靠脸吃饭。

台词功力？表情演技？都不重要，甚至有个替身方便换脸就好。

现在，利用这一技术篡改的人物口型几乎一般人难辨真假，如果有人借新闻主播之口制造一段假新闻，就可能引起大众的恐慌。

在安防监控领域，视频里的人说了什么、做了什么，真的就可信吗？这项技术可怖不在于让视频中的人和事“从有变无”，而是有能力“无中生有”。

AI技术进展太快，现有伦理道德和法律法规，是时候重新考量了。

你说呢？

最后，附上论文传送门

论文Text-based Editing of Talking-head Video地址：

https://arxiv.org/abs/1906.01524

— 完 —